Performance enhancement of PI and PIDn controllers through deep reinforcement learning for frequency regulation in renewable-integrated power systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Maintaining frequency stability has become a major difficulty for contemporary power systems when renewable energy sources – especially photovoltaic (PV) and wind power – are included into them. The intrinsic unpredictability of the supply of renewable energy causes this instability, which emphasises the great requirement of efficient load frequency management to guarantee stability of the power system. This work offers a new hybrid control architecture to improve frequency control in renewable-integrated power systems by means of deep reinforcement learning. Within a two-area power system encompassing three energy units: PV, wind, and thermal, the proposed approach consists in the installation of a deep deterministic policy gradient (DDPG) algorithm as a supplementary control mechanism in combination with optimised PI and PIDn controllers. Comprehensive simulations under many operating conditions – including step load changes, communication time delays, system parameter uncertainty, intermittent renewable energy supply, and random load disturbances – allow one to fully evaluate the effectiveness of the proposed control structure. Achieving up to 75% improvement in integral time-weighted absolute error values while preserving strong performance over several operating situations, the comparison analysis shows that the DDPG-assisted control system much beats conventional controllers. OPAL-RT based real-time simulations evaluate the practical feasibility of the proposed method by verifying its possibility for actual application in contemporary power systems.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle